2020年6月21日
摘要：
让我们看看分类标签数据: print (y_train.shape) # (60000,) print (y_train[:10]) # [5 0 4 1 9 2 1 3 1 4] 可以看到，这是一个一位数组，包含了训练数据集对应的标签。 在Keras中，模型训练时，需要把分类标签数据转换为类似位图 阅读全文
摘要：
首先需要调整数据集的形状，让其包含图像的位深信息。 打印原始数据集的形状： >>> print (X_train.shape) (60000, 28, 28) 可以看到并没有包含图像的位深信息。 MNIST是灰度图像，位深为1，我们将数据集从形状(n，宽度，高度)转换为(n，位深，宽度，高度)。 i 阅读全文
摘要：
MNIST是一个经典的深度学习和计算机视觉的数据集，里面包含了0-9的手写数字图片，开发人员可使用此数据集来训练和测试神经网络，训练后的神经网络可以识别手写数字。 Keras库已经包含了这个数据集，可以从Keras库中加载: from keras.datasets import mnist # 将预 阅读全文
摘要：
让我们从导入numpy开始，并为计算机的伪随机数生成器设置一个种子，相同种子可以产生同系列的随机数。 import numpy as np np.random.seed(123) # 种子相同，随机数产生可以重现 接下来，将从Keras导入Sequential模型类型。这是一个简单的线性神经网络层的 阅读全文
摘要：
我们使用主流的TensorFlow作为Keras的底层实现。 Keras需要依赖下面的库，确保电脑上已经安装: Python 3 NumPy SciPy Matplotlib TensorFlow 检查一下是否安装正确: 命令行上输入: > python Python 3.7.3 (v3.7.3:e 阅读全文
